导 读
近期，中国科学院地理科学与资源研究所张倩高级工程师与中国地质大学（北京）韩贵琳教授团队合作，在国际食品TOP期刊《Food Chemistry 》(Q1, IF = 9.8)发表题目为发表题为“Strontium isotopes in food traceability: Mechanisms, applications, and integration with machine learning”的综述性论文。
近年来，伴随食品欺诈事件的频发，食品真实性与地理来源鉴别问题日益受到国际社会关注。地理标志（GI）产品因蕴含的高经济溢价，已然成为造假高发领域。在此背景下，建立科学、稳定且可推广的溯源技术体系，已成为保障食品安全与公平贸易的核心关键。
基于同位素分馏原理，同位素比值质谱法以其高精度、高灵敏度和广泛适用性等优势，已成为验证食品来源真实性的常用方法。其中，Sr同位素不同于传统稳定同位素（如 δ13C、δ15N、δ18O 等）其比值与基岩地质背景强相关且在生物地球化学循环中表现出极高的稳定性，依托TIMS和 MC-ICP-MS 等高精度质谱技术，使其在水果、茶叶、肉类及葡萄酒、食醋等深加工产品的产地确证中展现出卓越的特异。本综述系统总结了Sr同位素（87Sr/86Sr）在食品溯源中的地球化学基础、应用进展及其与机器学习方法的融合路径，揭示了地球化学示踪技术在食品真实性研究中的理论优势与发展趋势。重点关注传统稳定同位素、多元素分析、锶同位素和机器学习算法的协同整合。此外，本文还探讨了如何利用高质量的地球化学指纹信息（锶同位素比值）在复杂场景下提高鉴别准确性，同时减少重复的同位素检测，从而实现更高效、更有针对性的溯源分析旨在为应对食品真实性日益复杂的挑战提供可行的技术策略和研究方向。
综述结论
锶同位素比值（87Sr/86Sr）已被证明是一种稳定且受地质约束的示踪剂，能够为从初级作物和牲畜到高度加工产品等多种基质的食品产地鉴定提供有效的鉴别。然而，当产品产自岩性背景相似的地区或加工过程引入外部同位素信号时，该方法仍存在局限性。为了克服这些挑战，将Sr同位素与传统稳定同位素和矿质元素相结合的多指标策略已展现出显著的潜力，能够提高分辨率和可靠性。机器学习的日益普及进一步强化了这一方法，使其能够高效管理高维数据集并提高分类精度。锶同位素地球化学与深度学习和大数据分析的结合有望将溯源研究从实验室规模的研究转变为全球食品鉴定解决方案。
原文链接 https://doi.org/10.1016/j.foodchem.2026.148594
